人工智能系统的探索:从起源到现代定义

版权申诉
5星 · 超过95%的资源 1 下载量 154 浏览量 更新于2024-07-20 收藏 118KB PPT 举报
"计算机组成原理-第八章人工智能系统.ppt" 在计算机组成原理的课程中,第八章专门探讨了人工智能(Artificial Intelligence, AI)这一主题。这一章分为三个主要部分,分别是人工智能的定义、研究方法以及研究与应用领域。 人工智能的定义是一个多角度的概念,随着时间和研究的发展,其定义也在不断演变。1981年,费根鲍姆将人工智能定义为涉及智能计算机系统设计的计算机科学分支,这些系统展现出与人类智能相关的特性。1984年,绍特里夫认为人工智能研究的是问题求解的符号和非算法方法。温斯顿在1992年的定义中强调了使计算机具备感觉、推理和行为的能力。而博登则提出人工智能是通过计算机程序来理解和模拟人类的智能原理和思维过程。2003年,斯达特·如塞和皮特·诺维志则将人工智能的定义归纳为四个类别:像人一样思考、像人一样行动、理性思考和理性行动的系统。 人工智能的起源可以追溯到1950年,当时图灵提出了“机器能否思考”的问题,开启了AI研究的大门。1956年,达特茅斯会议正式提出“人工智能”这一术语,标志着该学科的正式诞生。早期的重要成就包括逻辑理论机的成功,它证明了部分数学原理,以及具有自学习能力的跳棋程序,能够自我改进并在1962年击败人类跳棋冠军。 在人工智能的研究方法方面,通常包括符号主义(基于规则和逻辑推理)、连接主义(模仿神经网络的结构和功能)、行为主义(基于感知和反应的机制)以及最近兴起的深度学习(基于大量数据的多层次学习)。这些方法都是为了实现计算机的智能行为,比如理解语言、识别图像、决策制定等。 在人工智能的应用领域,广泛涵盖了医疗诊断、自动驾驶、语音识别、自然语言处理、推荐系统、机器人技术、金融科技等多个行业。随着计算能力的增强和大数据的积累,人工智能的应用前景越来越广阔,对社会经济产生了深远的影响。 人工智能是计算机科学中的一个重要分支,致力于通过不同的方法和模型模拟和实现人类智能,其发展历程、理论基础以及广泛应用都体现了科技对人类生活和工作方式的巨大改变。
2023-02-27 上传
RCNN系列算法 SSD算法 YOLO系列算法 8.3 8.1 8.2 第八章 目标检测 人工智能-第八章全文共18页,当前为第1页。 区域选择 分类器 目标检测 三个阶段 遍历图像确定可能存在目标的候选区域 提取候选区域相关的视觉特征 对选取的目标进行识别 rcnn系列算法 特征提取 人工智能-第八章全文共18页,当前为第2页。 R-CNN是一种基于卷积神经网络的目标检测算法,它在卷积神经网络上应用区域推荐的策略,形成自底向上的目标定位模型,摒弃了传统的滑动窗口(通过多尺度滑动窗口确定所有可能的目标区域)和人工选取特征的方法,将候选区域算法和卷积神经网络相结合,使得检测速度和精度明显提升。 RCNN fast-RCNN faster-RCNN rcnn系列算法 人工智能-第八章全文共18页,当前为第3页。 R-CNN 利用选择性搜索算法在图像中提取2000个左右的候选框; 把所有候选框缩放成固定大小(227*227),并进行归一化后输入CNN(AlexNet)网络,提取特征; 提取到的CNN特征使用SVM来分类,用线性回归来微调边框位置与大小,其中每个类别单独训练一个边框回归器; 非极大值值抑制(NMS)来滤除重叠的候选框 存在问题 训练时间长 测试时间长 占用磁盘空间大 卷积出来的特征数据还需要单独保存 rcnn算法 人工智能-第八章全文共18页,当前为第4页。 R-CNN Fast R-CNN 1.输入为整张图像并提取特征图。 2. RoI池化层从特征图中提取固定长度的特征向量。 3.使用多任务损失函数,分别进行softmax分类和边框回归。 fast-rcnn算法 人工智能-第八章全文共18页,当前为第5页。 faster-rcnn模型结构 1 2 3 特征提取 粗分类+定位 NMS去重 精分类+定位 NMS去重 faster-rcnn算法 人工智能-第八章全文共18页,当前为第6页。 anchor框 特征图的每个像素点生成三种不同尺度大小的anchor框,每种框的宽高比分别为:1:1,2:1,1:2,即特征图上的每个像素点共生成9个不同大小的anchor框。 特征图 faster-rcnn算法 人工智能-第八章全文共18页,当前为第7页。 RPN网络 遍历特征图上的每个像素点,然后根据不同位置和宽高的anchor框从原图上生成候选框。 faster-rcnn算法 特征图 人工智能-第八章全文共18页,当前为第8页。 1.第一阶段 CNN网络提取特征 2.第二阶段(RPN网络) 使用锚框生成候选框,初步实现目标的粗分类和边框回归 3.第三阶段 实现目标的精分类和边框回归 faster-rcnn算法 faster-rcnn 人工智能-第八章全文共18页,当前为第9页。 YOLO 结构简单,属于单阶段的检测方法 速度快、资源消耗少 精度较高 YOLO(You Only Look Once):创造性地将目标区域推荐和识别这两个阶段合二为一,同时完成目标定位和分类。 YOLO系列算法 人工智能-第八章全文共18页,当前为第10页。 YOLOv1算法 YOLOv1的模型结构比较简单,与常规的CNN分类模型最大的差异是最后输出层用线性函数做激活函数,从而实现预测bounding box的位置。 人工智能-第八章全文共18页,当前为第11页。 每个点的维度: 类别概率: 置信度: 边框信息: YOLOv1算法 人工智能-第八章全文共18页,当前为第12页。 损失函数 YOLOv1算法 人工智能-第八章全文共18页,当前为第13页。 使用聚类生成的锚点代替手工设计的锚点; 在高分辨率图像上进行迁移学习,提升网络对高分辨图像的响应能力 训练过程图像尺寸不再固定,提升网络对不同训练数据的泛化能力 YOLOv2 YOLOv2算法 人工智能-第八章全文共18页,当前为第14页。 yolov3改进策略 1.使用Darknet-53主干网络 2.使用k-means聚类9种尺度的先验框 3.多尺度特征进行目标检测 YOLOv3算法 人工智能-第八章全文共18页,当前为第15页。 SSD采用VGG作为主干网络,输入图像大小为300*300,采用了特征金字塔结构进行检测,即分别在6个不同大小的特征图上生成目标候选框。 SSD算法 人工智能-第八章全文共18页,当前为第16页。 1.以特征图上每个点的中心为中心(偏移量为0.5)生成一系列同心的prior box 。 2.正方形prior box最小边长为min_size ,最大边长为min_size max_size。 3.每设置一个aspect_ratio,会生成1个长宽为aspect_ratio minsize和1aspect_ minsize的长方形。 SSD算法 人工智能-第八章全文共18页,